电子战是现代化战争中的一种特殊作战方式,也是一种重要的作战手段。电子战技术分为电子侦察、电子干扰、电子摧毁及隐身等几大类。其中电子侦察是获取军事情报的重要手段,也是实施电子干扰和电子摧毁的前提。信号调制方式的识别是电子侦察中的一个关键环节,直接影响着电子侦察的效果和后续的作战决策。本文针对雷达信号的调制识别问题,深入研究了基于时频分析的信号时频曲线的提取算法,并在此基础上利用BP神经网络分类器对所提取的特征进行分类识别。首先,研究了电子侦察卫星的信号环境,包括信息流密度常数ρ的选取准则和瞬时覆盖面积。并从信号调制模式识别的角度出发,分析了四种常见雷达信号的时、频特性及主要脉内特征,为后续的特征参数提取及模式识别奠定了信号理论基础。本文选取的四种常见雷达信号为单载频脉冲、线性调频脉冲、二相相位编码脉冲和二相频率编码脉冲。然后,着重分析了基于时频分析的时频曲线提取算法,包括瞬时自相关算法、Wigner-Ville分布和基于小波脊的时频曲线提取算法。瞬时自相关算法原理简单、运算量小、易于实现,但是容易受到噪声影响。Wigner-Ville分布具有变化的时频分辨率,但存在交叉干扰项,会对调制方式的识别产生影响。小波脊的特征提取算法可以降低噪声对特征参数的影响,提取的特征参数性能好,但是计算量大,运算时间长,影响了分类识别实时性的要求。其次,对提取的时频曲线采用了数理统计的特征参数提取方法,并对提取的特征参数的性能进行分析。通过分析可以得出,统计的特征参数能够比较好的区分出不同的调制类型,并且在一定程度上能够抑制噪声的影响。最后,文章讨论了BP神经网络分类器的设计,利用BP神经网络分类器对四种信号进行了识别仿真,并给出了不同学习算法下不同特征提取算法的识别率。本文通过计算机仿真实验验证了本文所提到的方法对雷达信号时频曲线的提取是可行的,提取的特征参数是有效的,并且能够得到较好的识别率。